超分辨率主观指标
关于指标的欺骗方式
本笔记翻译于 Ways of cheating on popular objective metrics: blurring, noise, super-resolution and others
引言
在超分辨率论文中，PSNR始终是估计SR图像的最流行标准，始终占主导地位。
PSNR指标的流行与其特征有关：
- 易于计算，指标的运行时间是许多实际应用程序的关键因素；
- 使用历史悠久，经历了长时间实验的验证。很容易将新算法的性能与仅使用PSNR评估的旧算法进行比较；
- 具有明确的物理含义；
- 在数学含义上具有方便的优化方便；
著名的批评例子
下图中对原始图像进行不同类型的失真，包括对比度、压缩、模糊、噪声，并且从图像中可以发现改变后的图像具有明显不同的1视觉质量。但是，失真图像的MSE分数是相同的。
另一个例子是，MSE分数几乎相同，但正确图像的视觉质量要好很多，SSIM指标更真实地处理了这一点。
发生这种情况的原因在于SSIM能够衡量结构相似性，而MSE则没有。这是SSIM与PSNR的真正区别。人类视觉系统对扭曲高度敏感。
然后，SSIM也会遇到与PSNR相同的问题，仍然会出现SSIM分数相同，但视觉质量差异很大的情况；
模型
很多时候图像的退化过程中存在模糊的影像，但是对于模型的图像，MSE无法评断图像的好坏，这个时候SSIM则能更准确地反映这一事实。
但是SSIM估计模糊量的能力也存在一些不确定的情况，比如下图中SSIM为0.73和0.74的情况不清楚它们在模糊方面是否大致相同，大多数人会觉得SSIM=0.74的图像更模糊。
因此有研究证明在将指标用作优化网络模型的目标时，基于DIST和LPIPS指标在去模糊任务中由于其他IQA（图像质量评估）模型。
噪声
MS-SSMI在去噪任务上优于其他的IQA模型；
总结
PSNR指标不是质量评估的良好指标，有太多参数高度影响PSNR值，几乎不影响视觉质量。另一方面，与PSNR指标相比，SSIM指标具有更好的性能，但SSIM对亮度、对比度、色调和饱和度的变化几乎不敏感。
然后，工业界和研究人员仍然普遍使用经典方法，尽管有很多批判，这并不意味着有些方法是坏的，有些是好的，只需明确定义任何指标的适用性边界。根据研究：
PSNR适用于：
- 测试不同的编解码器优化策略，旨在最大限度地提高指定内定的主观质量（即优化之前的内容保持不变）；
- 捕获噪音；
- 捕捉亮度、对比度、色调和饱和度的变化；
但不能应用于：
- 估计与内容相关的失真；
- 捕捉模糊；
- 当内容在测试之间保持不变时测试不同的编解码器质量；
- 超分辨率算法的质量评估；
- 捕获旋转和空间偏移；
SSIM适用于：
- 估计与内容相关的失真；
- 捕获噪音；
- 捕捉模糊；
但不能应用于：
- 超分辨率算法的质量评估；
- 捕获旋转和空间偏移；
- 捕捉亮度、对比度、色调和饱和度的变化；